論文の概要: SeBA: Semi-supervised few-shot learning via Separated-at-Birth Alignment for tabular data

• arxiv url: http://arxiv.org/abs/2605.08519v1
• Date: Fri, 08 May 2026 22:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.705058
• Title: SeBA: Semi-supervised few-shot learning via Separated-at-Birth Alignment for tabular data
• Title（参考訳）: SeBA: 表データのためのセパレート・アット・バースアライメントによる半教師付き小ショット学習
• Authors: Kacper Jurek, Wojciech Batko, Marek Śmieja, Marcin Przewięźlikowski,
• Abstract要約: ラベル付けされていないサンプルのプールでラベル付けされた少ないデータから学習するためのSeBA(Separated-at-Birth Alignment)を提案する。 SeBAは、データを2つの独立した、しかし相補的なビューに分割し、1つのビューの表現を調整し、第2のビューにおけるデータの最も近い隣の対応を反映することを目的としている。 様々なベンチマークデータセットで実施された実験により、SeBAがほとんどのケースで最先端のパフォーマンスを達成することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning from scarce labeled data with a larger pool of unlabeled samples, known as semi-supervised few-shot learning (SS-FSL), remains critical for applications involving tabular data in domains like medicine, finance, and science. The existing SS-FSL methods often rely on self-supervised learning (SSL) frameworks developed for vision or language, which assume the availability of a natural form of data augmentations. For tabular data, defining meaningful augmentations is non-trivial and can easily distort semantics, limiting the effectiveness of conventional SSL. In this work, we rethink SSL for tabular data and propose Separated-at-Birth Alignment (SeBA), a joint-embedding framework for SS-FSL that eliminates the dependence on augmentations. Our core idea is to separate the data into two independent, but complementary views and align the representations of one view to mirror the nearest-neighbor correspondence of the data in the second view. Our experimental evaluation supported by a theoretical analysis justifies that SeBA generates an output space, which improves the feature-label relationship. An experimental study conducted in various benchmark datasets demonstrates that SeBA achieves the state-of-the-art performance in the majority of cases, opening a new avenue for SS-FSL paradigm in the domain of tabular data.
• Abstract（参考訳）: 半教師付き少ショットラーニング(SS-FSL)として知られる、ラベル付けされていないサンプルの大きなプールでラベル付きデータから学ぶことは、医学、金融、科学といった分野における表形式のデータを含むアプリケーションにとって、依然として重要な課題である。 既存のSS-FSLメソッドは、視覚や言語用に開発された自己教師付き学習(SSL)フレームワークに依存しており、データ拡張の自然な形態を前提としている。 表形式のデータの場合、意味のある拡張を定義することは簡単ではなく、意味論を歪めやすく、従来のSSLの有効性を制限できる。 本研究では,表形式のデータに対するSSLを再考し,拡張への依存を排除したSS-FSLの共同埋め込みフレームワークであるSeBAを提案する。 私たちの中核的な考え方は、データを2つの独立した、しかし相補的なビューに分割し、1つのビューの表現を、第2のビューにおけるデータの最も近い隣の対応を反映するように整列させることです。 理論的解析によって得られた実験結果から,SeBAが出力空間を生成し,特徴-ラベル関係を改善することが示唆された。 様々なベンチマークデータセットで実施された実験により、SeBAは、ほとんどのケースで最先端のパフォーマンスを実現し、表データの領域に新たなSS-FSLパラダイムの道を開くことが示されている。

関連論文リスト

• Revisiting semi-supervised learning in the era of foundation models [35.44676829010657]
  半教師付き学習(SSL)は、ラベル付きデータとともに豊富なラベル付きデータを活用して学習を強化する。 我々は,凍結視覚基盤モデル(VFM)が性能的に劣るSSLベンチマークデータセットを開発し,代表的なSSLメソッドを体系的に評価する。 ラベル付きデータのみを用いたパラメータ効率細調整(PEFT)は、ラベルなしデータを活用することなく、SSLのパフォーマンスとよく一致します。 ノイズの多い擬似ラベルの悪名高い問題を克服するため,より堅牢な擬似ラベルを生成するために,複数のPEFTアプローチとVFMバックボーンのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2025-03-12T18:01:10Z)
• On Pretraining Data Diversity for Self-Supervised Learning [57.91495006862553]
  我々は、より多様なデータセットを用いたトレーニングが、固定された計算予算の下での自己教師付き学習(SSL)のパフォーマンスに与える影響について検討する。 以上の結果から,事前学習データの多様性の増大はSSL性能を向上させるが,下流データへの分布距離が最小である場合に限る。
  論文  参考訳（メタデータ） (2024-03-20T17:59:58Z)
• Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
  アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。 本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
  論文  参考訳（メタデータ） (2022-06-07T13:28:43Z)
• Self-supervised Learning is More Robust to Dataset Imbalance [65.84339596595383]
  データセット不均衡下での自己教師型学習について検討する。 既製の自己教師型表現は、教師型表現よりもクラス不均衡に対してすでに堅牢である。 我々は、不均衡なデータセット上でSSL表現品質を一貫して改善する、再重み付け正規化手法を考案した。
  論文  参考訳（メタデータ） (2021-10-11T06:29:56Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。